ベイズ回帰 - このアルゴリズムを使ってEAを作った方はいらっしゃいますか? - ページ 50 1...43444546474849505152535455 新しいコメント Yuri Evseenkov 2016.03.22 06:45 #491 Dr.Trader:パターンは時間依存です。曜日 ごとに別の分類器で訓練したり、月の満ち欠け(私は真剣です)、生データに時刻を加えてみたり、具体的に何をすればいいのか分かりませんが、とても重要なことなのです。アレクセイ・ブルナコフ2)はい、すでにやっています。私は大規模なデータセットを持っていて、ここで共有することができるのですが、そこに価格データを追加しています。- 時- 微細- ようび- 月- の日。もちろん、これは重要なことです。しかし、TSが成功する日や時間帯ではなく、TSが成功するときの相場の性質、つまりトレンド、フラット、シーズンパターンなどを判断する必要があります。マーケットの性質がデータの性質を決めるのであって、曜日やブローカーの手口は関係ないのです。市場の性質は歴史の上で決定することができますが、実際のアカウントでそれを決定するために、ドミトリー・フェドセーエフが書いたように: "分析と取引の主な問題は、トレンドの識別 です。例えば、TSはフラットで成功したとされています。フラットを予測する指標はあるのでしょうか? Дмитрий 2016.03.22 07:05 #492 Yuri Evseenkov:もちろん、これは重要なことです。ただ、TSが成功した日や時間帯ではなく、TSが成功したときの市場の性質、つまりトレンド、フラット、季節的なパターンを識別する必要があります。マーケットの性質がデータの性質を決めるのであって、曜日やブローカーの手口は関係ないのです。市場の性質は歴史の上で決定することができますが、実際のアカウントでそれを決定するために、ドミトリー・フェドセーエフが書いたように: "分析と取引の主な問題は、トレンドの識別 です。例えば、TSはフラットで成功したとされています。フラットを予測する指標はあるのでしょうか?ポイントは、曜日や時間帯は事前に判断できるが、トレンドとフラットは判断できないことです。トレンドとフラットの見極め方を事前に知っていれば、あとは何もいらない、聖杯が目の前にあるのです。 Dr. Trader 2016.03.22 07:37 #493 Yuri Evseenkov:フラットを予測する指標はあるのでしょうか?Alexeyのブログのように、ツリーとRを通して、そのための分類器を作ることもできます。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標で指定し、モデルにティーチングする必要があるのです。モデルのティーチングには、例のように次の期間の値上げを使用せず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。しかし、一般に、将来の価格上昇を予測する分類器をゼロから 作れば、分類器自身が、横ばいとトレンドを区別することを学習するはずです。そのロジックには明確な概念はないが、概念的には市場の性格を区別し、それに応じて予測を変えることを学ばなければならない。適切な分類器は、ある特定の期間だけ機能するのではなく、常に利益をもたらすように機能することが必要です。 Дмитрий 2016.03.22 07:44 #494 Dr.Trader:また、Alexeyのブログのように、ツリーとRを通して、そのための分類器を作ることもできます。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標で指定し、モデルをティーチングする必要があります。モデルのティーチングには、例のように次の期間の値上げを使わず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。指標ではなく、予測ではなく分類をするものです。大雑把に言うと、歴史のある部分を勉強すると、その部分がトレンドなのか横ばいなのかがわかるということです。でも、問題は目視でもできることで、インジケーターは必要ないんです。 СанСаныч Фоменко 2016.03.22 09:15 #495 Дмитрий:指標ではなく、分類法 - 予測するのではなく、分類するのです。ですから、大雑把に言えば、歴史のある部分を勉強すれば、この部分はトレンドなのかフラットなのかがわかるということです。でも問題は、目で見てできること、つまりインジケーターが必要ないことです。その実践は、別のことを教えてくれる。教える内容にもよりますが。単純に過去を分類するならば、そうですね。しかし、先生をずらすと、つまり、予測変数の過去の値が先生の現在の値に対応すると、未来を予測することになるのです。例えば、1小節分シフトする。つまり、新しいバーが 到着したら、すべての予測因子を計算し、PASTで学習したモデルを使ってフリップトレンドを予測するのです。1以上のシフトで教えることができます。過去のバーを外挿する予測モデルの素晴らしいところは、予測の地平が広がると誤差が(せいぜい)加算されることですが、分類の場合はそうではありません。つまり、H1で予測する場合、+1での誤差は30%(実際の数値)、+2ではやや多く、+4ではほぼ30%ということになる。それだけでなく、ブルナコフハウスと友達になり始めると、+1バーとほぼ同じ予測誤差の未来へのシフトを見つけることができるのです。 Yuri Evseenkov 2016.03.22 09:22 #496 Dr.Trader:また、Alexeyのブログのように、ツリーとRを通して、そのための分類器を作ることもできます。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標で指定し、モデルをティーチングする必要があります。モデルのティーチングには、例のように次の期間の値上げを使わず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。しかし、一般に、将来の価格上昇を予測する分類器をゼロから 作れば、分類器自身が、横ばいとトレンドを区別することを学習するはずです。そのロジックには明確な概念はないが、概念的には市場の性格を区別し、それに応じて予測を変えることを学ばなければならない。適切な分類器は、ある特定の期間だけ機能するのではなく、常に利益をもたらすように機能することが重要なのです。Alexeyのブログ、モデルのトレーニング、分類は、私のタスクと私自身には複雑すぎます。ある確率でフラットを予測するために、もっとシンプルなものが欲しい。ADXのようなもの。そしてMQL4では、数学パッケージやプログラミング言語R、Pythonなどの専門家だけでなく、トレーダー、エコノミスト、哲学者にも理解できるものになるでしょう。 Alexey Burnakov 2016.03.22 10:01 #497 Dr.Trader:これについては、Alexeyのブログのように、木とRを使って分類器を作ることも可能です。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標を用いて特定し、モデルを学習させる必要があります。モデルのティーチングには、例のように次の期間の値上げを使わず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。しかし、一般に、将来の価格上昇を予測する分類器をゼロから 作れば、分類器自身が、横ばいとトレンドを区別することを学習するはずです。そのロジックには明確な概念はないが、概念的には市場の性格を区別し、それに応じて予測を変えることを学ばなければならない。適切な分類器は、ある特定の時間間隔でのみ機能するのではなく、常に利益をもたらすように機能することが必要です。私はそれを学習するクラシファイアを持っているようです。見てください、これが入力データのスキーマです。機械に与えている 移動平均との差高値掴みとの違いも最低限必要です。データの広がり標準偏差と、単純にラグを持って撮影した価格の差です。ここで、この窓がまだ2分から724分まで変化していることを想像してほしい。このような予測因子は18セットある。これだけで、トレンドの動きとフラットを見分けることができるはずです。少なくとも、ラグを持った価格とデータの広がり(と標準偏差)の差はそれを物語っている。また、価格窓の線形回帰の傾きを取りたかったのです。また、可変窓付き。でも、同じ卵なんですよ。しかし、それを試すことはできます。そのため、分類器は移動平均との差を最も重要な予測因子として、価格の差だけでなく、スプレッドや標準偏差も含めて着実に強調しているのです。すべてがそれに使われているのです。 Alexey Burnakov 2016.03.22 10:19 #498 СанСаныч Фоменко:練習は別物です。教える内容にもよりますが。単純に過去を分類するならば、そうですね。しかし、教師をシフトしている場合、つまり過去の予測値が現在の教師値に対応している場合は、未来を予測していることになります。例えば、1小節分シフトする。ですから、新しいバーが 来たら、すべての予測因子を計算し、PASTで学習したモデルを使って、将来のトレンドを予測するのです。1以上のシフトで教えることができます。過去のバーを外挿する予測モデルの素晴らしいところは、予測の地平が広がると誤差が(せいぜい)加算されることですが、分類の場合はそうではありません。つまり、H1で予測する場合、+1での誤差は30%(実際の数値)、+2ではやや多く、+4ではほぼ30%ということになる。それだけでなく、ブルナコフハウスと友達になり始めると、+1バーとほぼ同じ予測誤差の未来シフトを見つけることができます。そうですね、例えばARIMAみたいに一歩先を予測するわけではありませんから。有馬の場合、一歩先に予測されたものが予測器として使われ始め、これを何度でも繰り返して先に予測するため、誤差が指数関数的に大きくなっていきます。もともと18個のターゲット変数があり、それに対して1つずつモデルを学習させます(学習パラメータを調べて、最適な組み合わせで停止させる)。そして、こうすることで、どの地平線を対象として、すべてがよりよく予測されるかを知ることができるのです。私の場合、すべてのターゲットのトレーニングは1日程度で終わります。しかし、これも限界ではありません。GPU上の多層ニューラルネットワークは、1つのターゲットに対して1週間の学習が可能です。 Дмитрий 2016.03.22 10:21 #499 Alexey Burnakov:最初は18個のターゲット変数があり、それに対して1つずつモデルを学習させます(学習パラメータを調べて、最適な組み合わせで停止させます)。 ベスト」の組み合わせは、どのように決めるのですか? СанСаныч Фоменко 2016.03.22 10:47 #500 Alexey Burnakov:そうですね、ARIMAのように一歩先を予測するわけではありませんから。有馬の場合、一歩先に予測されたものが予測器として使われ始め、これを何度でも繰り返して先に予測するため、誤差が指数関数的に大きくなっていきます。もともと18個のターゲット変数があり、それに対して1つずつモデルを学習させます(学習パラメータを調べて、最適な組み合わせで停止させる)。そして、こうすることで、どの地平線を対象として、すべてがよりよく予測されるかを知ることができるのです。私の場合、すべてのターゲットのトレーニングは1日程度で終わります。しかし、これも限界ではありません。GPU上の多層ニューラルネットワークは、1つのターゲットに対して1週間の学習が可能です。 それが、あなたの活動に対する私の理解でした 1...43444546474849505152535455 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
パターンは時間依存です。曜日 ごとに別の分類器で訓練したり、月の満ち欠け(私は真剣です)、生データに時刻を加えてみたり、具体的に何をすればいいのか分かりませんが、とても重要なことなのです。
2)はい、すでにやっています。私は大規模なデータセットを持っていて、ここで共有することができるのですが、そこに価格データを追加しています。
- 時
- 微細
- ようび
- 月
- の日。
もちろん、これは重要なことです。しかし、TSが成功する日や時間帯ではなく、TSが成功するときの相場の性質、つまりトレンド、フラット、シーズンパターンなどを判断する必要があります。マーケットの性質がデータの性質を決めるのであって、曜日やブローカーの手口は関係ないのです。市場の性質は歴史の上で決定することができますが、実際のアカウントでそれを決定するために、ドミトリー・フェドセーエフが書いたように: "分析と取引の主な問題は、トレンドの識別 です。
例えば、TSはフラットで成功したとされています。フラットを予測する指標はあるのでしょうか?
もちろん、これは重要なことです。ただ、TSが成功した日や時間帯ではなく、TSが成功したときの市場の性質、つまりトレンド、フラット、季節的なパターンを識別する必要があります。マーケットの性質がデータの性質を決めるのであって、曜日やブローカーの手口は関係ないのです。市場の性質は歴史の上で決定することができますが、実際のアカウントでそれを決定するために、ドミトリー・フェドセーエフが書いたように: "分析と取引の主な問題は、トレンドの識別 です。
例えば、TSはフラットで成功したとされています。フラットを予測する指標はあるのでしょうか?
ポイントは、曜日や時間帯は事前に判断できるが、トレンドとフラットは判断できないことです。
トレンドとフラットの見極め方を事前に知っていれば、あとは何もいらない、聖杯が目の前にあるのです。
フラットを予測する指標はあるのでしょうか?
Alexeyのブログのように、ツリーとRを通して、そのための分類器を作ることもできます。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標で指定し、モデルにティーチングする必要があるのです。モデルのティーチングには、例のように次の期間の値上げを使用せず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。
しかし、一般に、将来の価格上昇を予測する分類器をゼロから 作れば、分類器自身が、横ばいとトレンドを区別することを学習するはずです。そのロジックには明確な概念はないが、概念的には市場の性格を区別し、それに応じて予測を変えることを学ばなければならない。適切な分類器は、ある特定の期間だけ機能するのではなく、常に利益をもたらすように機能することが必要です。
また、Alexeyのブログのように、ツリーとRを通して、そのための分類器を作ることもできます。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標で指定し、モデルをティーチングする必要があります。モデルのティーチングには、例のように次の期間の値上げを使わず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。
指標ではなく、予測ではなく分類をするものです。大雑把に言うと、歴史のある部分を勉強すると、その部分がトレンドなのか横ばいなのかがわかるということです。
でも、問題は目視でもできることで、インジケーターは必要ないんです。
指標ではなく、分類法 - 予測するのではなく、分類するのです。ですから、大雑把に言えば、歴史のある部分を勉強すれば、この部分はトレンドなのかフラットなのかがわかるということです。
でも問題は、目で見てできること、つまりインジケーターが必要ないことです。
その実践は、別のことを教えてくれる。教える内容にもよりますが。
単純に過去を分類するならば、そうですね。
しかし、先生をずらすと、つまり、予測変数の過去の値が先生の現在の値に対応すると、未来を予測することになるのです。例えば、1小節分シフトする。つまり、新しいバーが 到着したら、すべての予測因子を計算し、PASTで学習したモデルを使ってフリップトレンドを予測するのです。1以上のシフトで教えることができます。過去のバーを外挿する予測モデルの素晴らしいところは、予測の地平が広がると誤差が(せいぜい)加算されることですが、分類の場合はそうではありません。つまり、H1で予測する場合、+1での誤差は30%(実際の数値)、+2ではやや多く、+4ではほぼ30%ということになる。
それだけでなく、ブルナコフハウスと友達になり始めると、+1バーとほぼ同じ予測誤差の未来へのシフトを見つけることができるのです。
また、Alexeyのブログのように、ツリーとRを通して、そのための分類器を作ることもできます。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標で指定し、モデルをティーチングする必要があります。モデルのティーチングには、例のように次の期間の値上げを使わず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。
しかし、一般に、将来の価格上昇を予測する分類器をゼロから 作れば、分類器自身が、横ばいとトレンドを区別することを学習するはずです。そのロジックには明確な概念はないが、概念的には市場の性格を区別し、それに応じて予測を変えることを学ばなければならない。適切な分類器は、ある特定の期間だけ機能するのではなく、常に利益をもたらすように機能することが重要なのです。
Alexeyのブログ、モデルのトレーニング、分類は、私のタスクと私自身には複雑すぎます。ある確率でフラットを予測するために、もっとシンプルなものが欲しい。
ADXのようなもの。そしてMQL4では、数学パッケージやプログラミング言語R、Pythonなどの専門家だけでなく、トレーダー、エコノミスト、哲学者にも理解できるものになるでしょう。
これについては、Alexeyのブログのように、木とRを使って分類器を作ることも可能です。数年分のバー履歴を収集し、どの時間間隔がフラットでどの時間間隔がそうでないかを手動または何らかの指標を用いて特定し、モデルを学習させる必要があります。モデルのティーチングには、例のように次の期間の値上げを使わず、フラット/トレンドの値(例えば0と1に対応)を指定します。そして、インジケータを取得する。
しかし、一般に、将来の価格上昇を予測する分類器をゼロから 作れば、分類器自身が、横ばいとトレンドを区別することを学習するはずです。そのロジックには明確な概念はないが、概念的には市場の性格を区別し、それに応じて予測を変えることを学ばなければならない。適切な分類器は、ある特定の時間間隔でのみ機能するのではなく、常に利益をもたらすように機能することが必要です。
私はそれを学習するクラシファイアを持っているようです。
見てください、これが入力データのスキーマです。
機械に与えている
移動平均との差
高値掴みとの違い
も最低限必要です。
データの広がり
標準偏差
と、単純にラグを持って撮影した価格の差です。
ここで、この窓がまだ2分から724分まで変化していることを想像してほしい。このような予測因子は18セットある。
これだけで、トレンドの動きとフラットを見分けることができるはずです。少なくとも、ラグを持った価格とデータの広がり(と標準偏差)の差はそれを物語っている。
また、価格窓の線形回帰の傾きを取りたかったのです。また、可変窓付き。でも、同じ卵なんですよ。しかし、それを試すことはできます。
そのため、分類器は移動平均との差を最も重要な予測因子として、価格の差だけでなく、スプレッドや標準偏差も含めて着実に強調しているのです。すべてがそれに使われているのです。
練習は別物です。教える内容にもよりますが。
単純に過去を分類するならば、そうですね。
しかし、教師をシフトしている場合、つまり過去の予測値が現在の教師値に対応している場合は、未来を予測していることになります。例えば、1小節分シフトする。ですから、新しいバーが 来たら、すべての予測因子を計算し、PASTで学習したモデルを使って、将来のトレンドを予測するのです。1以上のシフトで教えることができます。過去のバーを外挿する予測モデルの素晴らしいところは、予測の地平が広がると誤差が(せいぜい)加算されることですが、分類の場合はそうではありません。つまり、H1で予測する場合、+1での誤差は30%(実際の数値)、+2ではやや多く、+4ではほぼ30%ということになる。
それだけでなく、ブルナコフハウスと友達になり始めると、+1バーとほぼ同じ予測誤差の未来シフトを見つけることができます。
そうですね、例えばARIMAみたいに一歩先を予測するわけではありませんから。有馬の場合、一歩先に予測されたものが予測器として使われ始め、これを何度でも繰り返して先に予測するため、誤差が指数関数的に大きくなっていきます。
もともと18個のターゲット変数があり、それに対して1つずつモデルを学習させます(学習パラメータを調べて、最適な組み合わせで停止させる)。そして、こうすることで、どの地平線を対象として、すべてがよりよく予測されるかを知ることができるのです。
私の場合、すべてのターゲットのトレーニングは1日程度で終わります。しかし、これも限界ではありません。GPU上の多層ニューラルネットワークは、1つのターゲットに対して1週間の学習が可能です。
最初は18個のターゲット変数があり、それに対して1つずつモデルを学習させます(学習パラメータを調べて、最適な組み合わせで停止させます)。
そうですね、ARIMAのように一歩先を予測するわけではありませんから。有馬の場合、一歩先に予測されたものが予測器として使われ始め、これを何度でも繰り返して先に予測するため、誤差が指数関数的に大きくなっていきます。
もともと18個のターゲット変数があり、それに対して1つずつモデルを学習させます(学習パラメータを調べて、最適な組み合わせで停止させる)。そして、こうすることで、どの地平線を対象として、すべてがよりよく予測されるかを知ることができるのです。
私の場合、すべてのターゲットのトレーニングは1日程度で終わります。しかし、これも限界ではありません。GPU上の多層ニューラルネットワークは、1つのターゲットに対して1週間の学習が可能です。